선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 감정 온톨로지를 활용하여 노래 가사를 감정에 따라 분류하는 방법에 대하여 제안하였다.
- 본 논문에서는 한국어의 언어학적 특징을 이용한 규칙을 생성하여 적용함으로써 감정 추출의 정확도를 향상하였다. 생성한 규칙으로 기본형의 감정 추출을 제어하는 것은 주변 공기 어휘의 관계에 따라 감정이 없어지거나 달라지는 표현에 대해 감정 추출 오류를 줄일 수 있다.
제안 방법
- NB(Naive Bayes) 모델과 SVM(Support Vector Machine)을 사용하여 전체 말뭉치의 90%로 모델을 학습하고, 나머지 10%로 평가를 하였다. 평가 지표는 전체 음악 수에서 정확하게 감정을 분류한 음악 수의 비율이 얼마인지를 측정한 정확도(accuracy)를 이용하였다.
- Plutchik[18]의 연구를 수용하되, 문제점 분석을 통하여 명칭 변경 및 강도 구분을 통하여 기본 감정 8개와 조합 감정 17개로 재정의하였으며 기본감정에 대하여 다섯 단계의 강도 변화, 조합감정에 대하여 세 단계의 강도 변화를 두었다. 감정의 속성으로 극성(긍정, 부정, 중립), 감정의 경험자(화자, 청자), 기술대상(언어적, 비언어적), 기술 방식(설명적, 표현적, 도상적)을 가진다.
- YOON&KWON은 기존의 감정 연구를 바탕으로 텍스트 기반 감정 온톨로지를 구축하였다.
- 가사에서 추출한 감정 자질을 활용하여 음악 감정 분류에 사용하였다. 실험 말뭉치를 구성하기 위해 한국어 가사를 포함하는 임의의 음악 525곡에 대하여 한국어를 모국어를 사용하는 태거가 가사 텍스트에서 느낄 수 있는 대표적인 감정값 하나씩 선정하여 평가 말뭉치를 구축하였다.
- 감정 라이브러리의 활용성을 높이기 위해 감정 표현 어휘를 성격에 따라 기본형(canonical form)과 활용형(surface form)으로 구성하였다. 기본형은 어휘 표현의 어미, 조사를 제외하여 구성하였고, 표면형은 활용형 형태를 그대로 사용한다.
- ’ 등과 결합하여 현재의 감정 변화를 표현하는 구문이 있으며, 이는 현재 화자의 감정 변화를 나타내어 감정 표현의 오류가 될 수 있다. 감정 상태 변화를 주는 동사에 25개에 대해 정의하고 감정 어휘와 공기하면 감정 추출에 제한을 두었다.
- 각 자질의 성능을 나타내었으며 이중 precision에서 가장 성능이 높게 나온 감정 어휘 자질을 사용하여, 본 논문의 제안 시스템과 비교하였다. 감정 어휘는 감정 온톨로지의 감정 표현 어휘를 사용하여 실험하였다. <표 3>은 비교 시스템과의 성능 비교이다.
- 감정 자질을 추출하기 위해 기구축된 감정 온톨로지를 활용하였다. 감정 온톨로지를 사용하기 위해 감정 온톨로지 범주에 따라 선택하고, 사용방법을 구분하였다. 네 가지 통사적 규칙을 적용함으로써 추출을 정확성을 높이며, 정확한 자질을 구성할 수 있게 하였다.
- 감정 자질을 추출하기 위해 기구축된 감정 온톨로지를 활용하였다. 감정 온톨로지를 사용하기 위해 감정 온톨로지 범주에 따라 선택하고, 사용방법을 구분하였다.
- 감정을 자질로 사용하였을 때 감정 분류 성능이 높다는 것을 보여주기 위해 일반 어휘를 자질로 사용하였을 때의 연구와 비교하였다. 최근 텍스트 감정 분류 연구와 비교하였다.
- 실험 말뭉치의 신뢰성을 위해 두 명 이상 일치한 곡 425곡을 실험 말뭉치를 사용하였다. 그리고 감정 온톨로지에 명세한 25개의 감정을 (그림 1)과 같이 8개의 감정 그룹으로 나누어 학습과 평가를 시행하였다.
- 감정의 속성으로 극성(긍정, 부정, 중립), 감정의 경험자(화자, 청자), 기술대상(언어적, 비언어적), 기술 방식(설명적, 표현적, 도상적)을 가진다. 기술대상, 기술방식에 따라 6개의 범주로 분류할 수 있으며, 25개의 감정 명세, 강도, 극성의 속성으로 감정의 차별성을 두어, 경험자, 기술대상과 방식, 언어적 자질의 속성으로 텍스트에 나타난 감정 표현을 명시적으로 구분할 수 있도록 하였고, 이는 멀티모달 환경에 적합하도록 설계되어 텍스트 기반 감정 분류 프레임워크로 선택하기에 알맞다. 노래 가사의 분류는 텍스트에서 감정을 추출하며, 텍스트에서 나타난 감정 표현을 나타내기에 알맞은 YOON&KWON의 감정 프레임워크를 사용하였다.
- 감정 온톨로지를 사용하기 위해 감정 온톨로지 범주에 따라 선택하고, 사용방법을 구분하였다. 네 가지 통사적 규칙을 적용함으로써 추출을 정확성을 높이며, 정확한 자질을 구성할 수 있게 하였다.
- 노래 가사의 분류는 텍스트에서 감정을 추출하며, 텍스트에서 나타난 감정 표현을 나타내기에 알맞은 YOON&KWON의 감정 프레임워크를 사용하였다.
- 먼저, 2장에서 지금까지 연구된 국내·외 음악 감정 모델을 살펴보고, 본 논문에서 선택한 감정 온톨로지에 대하여 살펴본다.
- 본 논문에서는 임의의 노래 300곡의 가사를 수집하여 감정 어휘와 주변 공기 어휘의 관계에 따라 감정의 변화를 관찰하여 네 가지 통사적 규칙을 생성하였다. 네 가지 통사적 규칙은 다음과 같다.
- 본 연구에서는 YOON&KWON의 감정 온톨로지를 활용하여 통사적 규칙을 적용하여 추출한 감정을 자질로 사용하여 기계학습 기법을 이용하여 가사를 기반으로 한 음악 감정 분류를 한다.
- 시간적 정보의 의미를 확인하기 위해 HMM과 NB와 비교하여 시간적 정보의 의미를 확인하였다. 이는 노래 가사에서 시간적 정보가 의미가 있음을 보여준다.
- 가사에서 추출한 감정 자질을 활용하여 음악 감정 분류에 사용하였다. 실험 말뭉치를 구성하기 위해 한국어 가사를 포함하는 임의의 음악 525곡에 대하여 한국어를 모국어를 사용하는 태거가 가사 텍스트에서 느낄 수 있는 대표적인 감정값 하나씩 선정하여 평가 말뭉치를 구축하였다. 같은 가사에 대하여 다른 감정을 느낄 수 있기 때문에 세 명의 실험 참가자에 의하여 실시하였다.
- NB(Naive Bayes) 모델과 SVM(Support Vector Machine)을 사용하여 전체 말뭉치의 90%로 모델을 학습하고, 나머지 10%로 평가를 하였다. 평가 지표는 전체 음악 수에서 정확하게 감정을 분류한 음악 수의 비율이 얼마인지를 측정한 정확도(accuracy)를 이용하였다. <표 1>은 8개로 그룹화한 25개 감정에 대한 분류 정확도이다.
대상 데이터
- 세 명이 모두 같은 감정으로 태깅한 경우가 전체 곡의 213곡(41%)이며, 두 명 이상 일치한 경우가 425곡(82%)이었다. 실험 말뭉치의 신뢰성을 위해 두 명 이상 일치한 곡 425곡을 실험 말뭉치를 사용하였다. 그리고 감정 온톨로지에 명세한 25개의 감정을 (그림 1)과 같이 8개의 감정 그룹으로 나누어 학습과 평가를 시행하였다.
데이터처리
- [15]에서는 SVM 모델을 사용하여 문장 자질, 감정 어휘 자질, 문맥 자질을 사용하였다. 각 자질의 성능을 나타내었으며 이중 precision에서 가장 성능이 높게 나온 감정 어휘 자질을 사용하여, 본 논문의 제안 시스템과 비교하였다. 감정 어휘는 감정 온톨로지의 감정 표현 어휘를 사용하여 실험하였다.
- 감정을 자질로 사용하였을 때 감정 분류 성능이 높다는 것을 보여주기 위해 일반 어휘를 자질로 사용하였을 때의 연구와 비교하였다. 최근 텍스트 감정 분류 연구와 비교하였다. [15]에서는 SVM 모델을 사용하여 문장 자질, 감정 어휘 자질, 문맥 자질을 사용하였다.
이론/모형
- 예를 들어 가사에서 처음에 [LOVE]에 관한 감정이 나타났고, 마지막에 [SADNESS]에 관한 감정이 나타났다면? 또는 [SADNESS]에 관한 감정이 나타나다가 [LOVE]의 감정이 나타났다면? 가사에서 감정은 텍스트 내의 위치, 시간적 흐름에 의미가 있을 수 있다. [13]에서는 하나의 문장 내에서 표현되는 여러 감정을 분석하기 위해 HMM(Hidden Markov Model)을 사용하였지만, 본 연구에서는 시간적 흐름의 정보를 반영하기 위하여 HMM을 사용하였다. HMM은 상태(state)와 상태 간의 전이 확률(state transition probabilities)을 이용하여 출력을 결정하며 이는 시간적 흐름 정보를 반영할 수 있다.
성능/효과
- 기존 연구와 달리 학습 자질로 감정을 사용함으로써 자질의 수를 크게 줄여 적은 양의 학습 데이터를 사용하여 좋은 성능을 낼 수 있었다. 사용된 자질을 감정 분류에 사용하여 8개 그룹으로 실험하였을 때 58.
- 기존 연구와 달리 학습 자질로 감정을 사용함으로써 자질의 수를 크게 줄여 적은 양의 학습 데이터를 사용하여 좋은 성능을 낼 수 있었다. 사용된 자질을 감정 분류에 사용하여 8개 그룹으로 실험하였을 때 58.8%의 정확도를 보였다.
- 비교 시스템에서는 감정 어휘를 자질로 사용하게 되어 많은 감정 표현 어휘로 말미암아 많은 노이즈가 나타났다. 실제 실험 결과를 보면, 음악 감정의 많은 비율을 차지하는 [LOVE], [TRUST] 그룹인 그룹 3에서 recall 99.1%, precision 29.2%의 결과가 나왔다. 이는 감정 어휘를 자질로 사용하게 되어 감정 표현이 많은 가사에서 이를 이용한 방법으로 학습이 어려움을 나타낸다.
후속연구
- 향후 연구로는 더 많은 데이터를 활용한 감정 정확도 향상, SVM과 시간적 정보를 활용할 수 있는 HMM의 혼합 모델, 또는 멜로디 기반의 음악 감정 분류와 결합하는 연구로 음악 추천 시스템에서 사용자의 만족도를 높여줄 수 있을 거로 생각한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.